GuacaMol 论文精读：分子生成评测为什么容易被刷分

GuacaMol（Brown 等, JCIM 2019）是分子生成模型评测的经典基准。它关心两个问题：模型能否学到训练集分布，以及能否生成满足目标函数的分子。

两类任务

• 分布学习：看有效性、唯一性、新颖性、KL divergence、FCD 等，判断生成分子是否像训练数据。
• 目标导向：给定相似性、logP、TPSA、药效团等目标函数，看模型能否优化分子。
• 强基线意义：论文不仅评深度模型，也评遗传算法等传统优化器，提醒新模型未必天然更强。

局限

• 目标函数多是代理指标，不等于真实活性、选择性、合成可行性或安全性。
• 模型可能生成“分数好看但化学没意义”的分子，所以要加合成和物理过滤。
• 用于论文比较可以，用于项目立项必须接入真实 assay 和合成反馈。

延伸资源

• 论文：Brown et al., JCIM 2019；配套：136《MOSES》、158《分子生成模型》。